به گزارش ایسنا، زمستان هوش مصنوعی دوره‌ای است که با کاهش چشمگیر در سرمایه‌گذاری، علاقه و هیجان نسبت به هوش مصنوعی مشخص می‌شود. این رکودها با کاهش سرمایه‌گذاری، کند شدن پیشرفت‌های پژوهشی و کاهش علاقه تجاری تعریف می‌شوند. اصطلاح «زمستان هوش مصنوعی» نخستین‌بار در سال ۱۹۸۴ در یک مناظره در نشست سالانه «انجمن هوش مصنوعی آمریکا» استفاده شد. در آن رویداد، پژوهشگران راجر شنک و ماروین مینسکی هشدار دادند که موج اشتیاقی که آن زمان دنیای کسب‌وکار و پژوهش را فرا گرفته بود، پایدار نیست. آن‌ها پیش‌بینی کردند که زنجیره‌ای از رخدادها آغاز خواهد شد: بدبینی در میان دانشمندان، به دنبال آن تردید در رسانه‌ها، کاهش شدید سرمایه‌گذاری و در نهایت فروپاشی تلاش‌های پژوهشی. هشدار آن‌ها درست از آب درآمد: ظرف چند سال، صنعت میلیارد دلاری هوش مصنوعیِ میانه دهه ۱۹۸۰ فروپاشید.

نخستین زمستان هوش مصنوعی: میانه دهه ۱۹۷۰ تا ۱۹۸۰

به نقل از فوربز، نخستین زمستان از حدود سال ۱۹۷۴ تا ۱۹۸۰ ادامه یافت. یکی از نخستین نشانه‌های هشداردهنده از حوزه ترجمه ماشینی آمد که در دوران جنگ سرد توجه زیادی جلب کرده بود. آن زمان، سازمان‌های آمریکایی از جمله سیا سرمایه‌گذاری‌های هنگفتی انجام دادند، به امید آنکه رایانه‌ها بتوانند اسناد روسی را به‌سرعت ترجمه کنند. اما تا اواسط دهه ۱۹۶۰، پیشرفت به کندی پیش می‌رفت. کمیته مشورتی پردازش زبان خودکار (ALPAC) اعلام کرد که ترجمه ماشینی کندتر، کم‌دقت‌تر و پرهزینه‌تر از کار انسانی است. گزارش این کمیته در سال ۱۹۶۶ عملا به پشتیبانی ایالات متحده از این حوزه پایان داد و بسیاری از مسیرهای شغلی را از ریل خارج کرد.

در بریتانیا، جیمز لایت‌هیل، ریاضی‌دان کاربردی برجسته، در سال ۱۹۷۳ گزارشی نوشت که بسیار انتقادی بود. این گزارش به سفارش پارلمان تهیه شده بود و نتیجه گرفت که هوش مصنوعی نتوانسته به «اهداف شکوهمند» خود برسد. او استدلال کرد که بیشتر مطالعات را می‌توان در رشته‌های علمی دیگر به‌طور موثرتری انجام داد و بر مشکل «انفجار ترکیبیاتی» تاکید کرد. این مشکل بدین معنا بود که الگوریتم‌هایی که روی مسائل کوچک و کنترل‌شده کارآمد به نظر می‌رسیدند، در مواجهه با پیچیدگی دنیای واقعی به سرعت غیرقابل‌کنترل می‌شدند. هرچه تعداد حالت‌های ممکن افزایش می‌یافت، زمان و منابع لازم برای محاسبه پاسخ‌ها سر به فلک می‌کشید و پیشرفت متوقف می‌شد. در پی این گزارش، دولت بیشتر برنامه‌های پژوهشی هوش مصنوعی در بریتانیا را برچید و تنها چند دانشگاه فعال ماندند تا یک دهه بعد دوباره بودجه‌ای فراهم شد.

در ایالات متحده نیز فشارهای مالی افزایش یافت. در دهه ۱۹۶۰، آژانس پروژه‌های پژوهشی پیشرفته دفاعی (DARPA) میلیون‌ها دلار بدون نظارت جدی در هوش مصنوعی سرمایه‌گذاری کرده بود. این روند با اصلاحات منسفیلد در سال‌های ۱۹۶۹ و ۱۹۷۳ تغییر کرد که هزینه‌های پژوهش فدرال را محدود ساخت. این تغییر، پژوهش‌های بلندمدت و باز دانشگاهی را کاهش داد و پول را به سمت کارهای کوتاه‌مدت و کاربردی سوق داد. تا اوایل دهه ۱۹۷۰، دارپا شروع به مطالبه نتایج ملموس کرد و طرح‌های هوش مصنوعی را در برابر اهداف سخت‌گیرانه سنجید. بسیاری از پروژه‌ها به نتیجه نرسیدند و تا ۱۹۷۴، این آژانس حمایت خود را به شدت کاهش داد. دوران سرمایه‌گذاری‌های آسان و سخاوتمندانه به پایان رسید.

دومین زمستان هوش مصنوعی: اواخر دهه ۱۹۸۰ تا میانه دهه ۱۹۹۰

دومین زمستان از اواخر دهه ۱۹۸۰ آغاز شد و تا میانه دهه ۱۹۹۰ ادامه یافت. این زمستان با فروپاشی بازار رایانه‌های تخصصی آغاز شد که برای اجرای زبان برنامه‌نویسی محبوب پژوهشگران هوش مصنوعی ساخته شده بودند. تا سال ۱۹۸۷، ایستگاه‌های کاری همه‌منظوره، عملکردی هم‌سطح یا حتی بهتر از سیستم‌های تخصصی داشتند، آن هم با کسری از قیمت. بنابراین بازار سخت‌افزارهای گران‌قیمت تقریبا یک‌شبه ناپدید شد و بسیاری از تولیدکنندگان ورشکست شدند.

در همان زمان، وعده‌های تجاری سیستم‌های خبره رنگ باخت. این برنامه‌های مبتنی بر قوانین، که برای تقلید تصمیم‌گیری متخصصان طراحی شده بودند، در آغاز موفقیت‌هایی داشتند. اما با گسترش استفاده، محدودیت‌های آن‌ها آشکار شد. سیستم‌های خبره شکننده، نگهدای از آنها پرهزینه و ناتوان در سازگاری با تغییر شرایط بودند. به‌روزرسانی قوانین اغلب به ارتش‌هایی از برنامه‌نویسان نیاز داشت و این سیستم‌ها می‌توانستند اشتباهات ابتدایی مرتکب شوند. تا اوایل دهه ۱۹۹۰، علاقه کاهش یافت، هزینه‌های نگهداری افزایش یافت و استفاده از این سیستم‌ها کمتر شد.

کندی پیشرفت جهانی بود. پروژه بلندپروازانه «نسل پنجم» ژاپن که در سال ۱۹۸۱ برای ساخت ماشین‌هایی آغاز شده بود که می‌توانستند مانند انسان گفتگو کنند، ترجمه کنند و استدلال بیاورند، به اهداف خود نرسید. در ایالات متحده، ابتکار رایانش راهبردی دارپا که زمانی بیش از ۹۰ پروژه را تأمین مالی کرده بود، پس از آنکه مدیران هوش مصنوعی را صرفا «برنامه‌نویسی هوشمندانه» دانستند، کاهش یافت.

هرچند این حوزه هرگز کاملا خاموش نشد، اما فروپاشی سخت‌افزارهای اختصاصی، شکنندگی سیستم‌های خبره و ناکامی ابرپروژه‌های ملی، دست به دست هم دادند و دومین زمستان هوش مصنوعی را رقم زدند.

بازافروختن: اواخر دهه ۱۹۹۰ و پس از آن

تا اواخر دهه ۱۹۹۰ و اوایل دهه ۲۰۰۰، به لطف همگرایی قدرت رایانشی رو به افزایش، داده‌های دیجیتال عظیم و نوآوری در روش‌های یادگیری مبتنی بر داده چشم‌انداز هوش مصنوعی تغییر کرده بود. به جای اتکا به قوانین دست‌ساز، هوش مصنوعی شروع به یادگیری از نمونه‌ها کرد. این رویکرد آماری، پایه‌ای برای یادگیری ماشینی مدرن شد.

یک جهش در سال ۲۰۱۲ رخ داد، هنگامی که سیستمی با الهام از قشر بینایی انسان، در یک رقابت بزرگ تشخیص تصویر، همه رقبا را پشت سر گذاشت؛ آن هم با استفاده از داده‌های آموزشی عظیم و پردازنده‌های قدرتمند. چند سال بعد، پژوهشگران مدل «ترنسفورمر» را معرفی کردند. این طراحی بر الگوهای توجه تمرکز داشت و به‌طور مؤثر به هوش مصنوعی آموخت که کدام واژه‌ها یا بخش‌های اطلاعات در یک متن مهم‌ترند. این رویکرد امکان پردازش و درک حجم عظیمی از متن را فراهم کرد و کاربردهای زبانی را دگرگون ساخت و پایه‌ای برای مدل‌های زبانی بزرگ شد.

از اوایل دهه ۲۰۱۰، علاقه، سرمایه‌گذاری و کاربردها به‌شدت افزایش یافته‌اند، و این بازخیزش که اغلب «شکوفایی هوش مصنوعی» نامیده می‌شود همچنان در حال گسترش نفوذ و تأثیر خود است.

چرا وقوع زمستانی دیگر بعید است؟

زمستان‌های پیشین الگوی مشترکی داشتند: اتکای شدید به سرمایه‌گذاری دولتی، وعده‌های اغراق‌آمیز و فناوری‌های شکننده که در برابر نیازهای دنیای واقعی فرو می‌ریختند. امروز محیط متفاوت است.

هوش مصنوعی دیگر به چند نه

اد دولتی محدود تکیه ندارد. سرمایه‌گذاری دولتی همچنان مهم است، اما یک اکوسیستم توسعه‌یافته سرمایه‌گذاری جسورانه اکنون بخش زیادی از سرمایه‌گذاری را هدایت می‌کند و ریسک را در میان استارتاپ‌ها و آزمایشگاه‌های خصوصی پخش می‌کند. این تنوع، احتمال فروپاشی ناگهانی را کمتر می‌کند.

اقتصاد رایانش تغییر کرده است. در گذشته، سخت‌افزار بسیار گران یا محدود بود. اکنون هزینه‌ها همچنان کاهش می‌یابند، در حالی که پلتفرم‌های ابری، تراشه‌های تخصصی و مجموعه‌داده‌های عظیم به‌طور گسترده در دسترس‌اند. فناوری هوش مصنوعی مقاوم‌تر شده است؛ معماری‌های مدرن در حوزه‌های مختلف به کار می‌روند و پیشرفت‌ها در یادگیری عمیق و پردازش زبان طبیعی ارزش واقعی ارائه می‌دهند.

حاکمیت نیز سرانجام مورد توجه قرار گرفته است. سیاست‌های حمایتی همراه با سرمایه‌گذاری در زیرساخت در سراسر جهان به اجرا گذاشته می‌شوند، به‌ویژه در ایالات متحده با برنامه اقدام اخیر هوش مصنوعی. استانداردها و سازوکارهای پاسخگویی نیز برای ایجاد ریل‌های ایمنی در حال بررسی هستند.

این عوامل در کنار هم احتمال وقوع زمستان دیگری را کاهش می‌دهند. این حوزه اکنون مقاوم‌تر، متنوع‌تر و در اقتصاد ریشه‌دارتر از چرخه‌های گذشته است.

جلوگیری از زمستان بعدی

تاریخ نشان می‌دهد که اگر وعده‌ها فراتر از نتایج باشند، شتاب می‌تواند به سرعت برگردد. بزرگ‌نمایی نزدیک بودن «هوش هم‌سطح انسان» یا نادیده گرفتن دغدغه‌های اخلاقی، ایمنی و انرژی اعتماد را فرسایش می‌دهد و باعث واکنش منفی می‌شود.

امروز ریسک‌ها بیشترند زیرا هوش مصنوعی در زیرساخت‌های حیاتی و راهبرد ملی جای گرفته است. از دست رفتن اعتماد می‌تواند مقررات سخت‌گیرانه‌تر، عقب‌نشینی سرمایه‌گذاران و تردید عمومی را به دنبال داشته باشد که می‌تواند با پیامدهایی بسیار بزرگ‌تر از دهه‌های گذشته همراه شود.

جلوگیری از یک زمستان دیگر نیازمند ترکیب نوآوری با انتظارات واقع‌بینانه، سرمایه‌گذاری پایدار در زیرساخت و تمایل به شفافیت درباره پیشرفت‌ها و محدودیت‌هاست. ریسک‌ها همچنان وجود دارند، زیرا سرمایه‌گذاران حباب‌ها را دنبال می‌کنند، هزینه‌های رایانش و انرژی بالا می‌رود و سیاست‌ها برای همگام شدن با هیاهوی بازار دست‌وپا می‌زنند. با این حال، دلایلی برای خوش‌بینی وجود دارد. پژوهشگران اکنون سیستم‌هایی می‌سازند که متن، تصویر و صدا را یکجا پردازش می‌کنند، در حالی که مهندسان الگوریتم‌های کارآمدتری طراحی می‌کنند.

به آینده نگاه کنیم: پرسش تورینگ، «آیا ماشین‌ها می‌توانند فکر کنند؟ »، همچنان بی‌پاسخ باقی مانده است. چیزی که تاریخ روشن می‌کند این است که چالش واقعی، هماهنگ کردن بلندپروازی با مسئولیت‌پذیری است تا بهار کنونی هوش مصنوعی پایدار بماند و به یک زمستان دیگر تبدیل نشود.

انتهای پیام